|
科技日报记者 张晔 随着人们生活节奏的加快，社会信息化程度的不断提高，驾车人在行驶中分心行为的发生概率逐年提升，不仅严重影响着道路行车安全，还对非机动车辆、行人的生命安全带来了极大的安全隐患。 单靠法律规定或驾车人自律，无法完全抑制分心行为的发生。那么，在各类高科技飞速发展的今天，有没有什么技术手段可以帮助驾车人集中注意力、减少不安全的驾驶行为呢？ 答案是肯定的。近日，南通大学专家团队构建了不完全观测条件下的分心驾驶行为识别模型，为智能驾驶辅助系统以及自动驾驶中优化驾驶员状态监控提供了全新思路。相关研究成果发表在国际信息领域权威期刊《信息融合》上，并收录进了IEEE智能交通协会和德古意特出版社即将发行的《智能汽车与智能交通》专著中。 有了辅助驾驶也不能撒手不管 根据世界卫生组织数据显示，目前全世界每年道路交通事故造成大约130万人死亡，其中近90%的致死交通事故由驾驶员不当驾驶行为所引发，分心驾驶业已成为导致交通事故的主要因素之一。 随着人工智能、视觉算法和雷达技术的发展，自动辅助驾驶已走进现实，市场上越来越多的量产车型搭载了L2或者L3级自动辅助驾驶功能。工业和信息化部数据显示，今年上半年，具备组合驾驶辅助功能的乘用车销量达288万辆，渗透率升至32.4%，同比增长46.2%。行业数据显示，L2及以上级别自动驾驶功能在乘用车市场渗透率在年底将达到36%，到2025年这一数字有望达到60%。 但是，这些L2或者L3级自动辅助驾驶车辆还不能完全识别驾驶场景，依然需要驾车人时刻观察路况并做好随时接管车辆的准备。但是，不少驾驶者常把汽车“辅助驾驶”功能当作“全自动驾驶”，行车途中分心做其他事情，增加了道路安全风险。 在这样的前提下，车辆依然需要随时监控驾驶员的注意力状态，确保驾驶员可以及时接管车辆。因此，准确识别驾驶员的分心驾驶行为，对于安全驾驶辅助系统的设计以及自动驾驶车辆人机切换策略的研究具有极大意义。 开车专不专心 算法来判断 现有的分心驾驶行为识别主要基于以卷积神经网络为核心的深度学习模型，通过提取行为图像的深度特征，挖掘驾驶者分心行为类型，相关方法在观测图像质量较高的情况下，对于简单的行为模式识别效果较好，但是一旦观测图像由于噪声的影响而出现模糊、黑点、白化等局部特征稀疏，就会极大影响深度学习模型获取行为图像关键特征的能力，从而容易出现行为识别的错误。 针对上述问题，南通大学施佺教授团队、丁卫平教授团队联合日本名古屋大学武田一哉教授团队，通过融合深度学习自注意力行为识别模型与因果推理知识模型，成功构建了不完全观测条件下的分心驾驶行为识别模型，证明了时空事件知识模型的加入，可以显著加强深度学习模型的自我推理能力，从而赋予行为识别模型“执因索果”的逻辑判别能力。 该深度学习与因果推理融合的识别模型，在驾驶员行为流识别上表现出了极佳的性能和稳定性，相比传统方法，在长时噪声以及肢体遮挡情况下模型的识别准确性更好。相关的理论模型为智能驾驶辅助系统以及自动驾驶人机交互系统对于驾驶员状态监控的优化设计提供了全新思路。 据南通大学交通与土木工程学院青年教师平鹏介绍，因果推理与深度学习的融合是未来可解释性AI的重要研究方向，是加速推进当前人工智能由相关性分析向推理性分析飞跃发展的翅膀，对于机器视觉领域、模式识别领域等将产生重要的理论促进作用。 “希望我们的研究可以更广泛地应用在人工智能模型构建上，为全世界人工智能的发展贡献‘中国智慧’。”平鹏说。 |
